Thinking Machines Lab hat am 15. Juli 2026 sein erstes offen zugängliches Sprachmodell veröffentlicht. Inkling nutzt eine Mixture-of-Experts-Architektur mit 975 Milliarden Parametern, wovon pro Anfrage nur 41 Milliarden aktiv sind. Das von Mira Murati gegründete Start-up stellt die vollständigen Modellgewichte öffentlich bereit und tritt damit gegen etablierte offene Modelle aus den USA und China an.
Modell verarbeitet Text, Bild und Audio ohne separate Encoder
Inkling basiert auf einer Mixture-of-Experts-Architektur mit 256 Routing-Experten pro Schicht, von denen pro Token sechs gleichzeitig rechnen. Trainiert wurde das Modell mit 45 Billionen Tokens aus Text, Bildern, Audio und Video, wie Thinking Machines Lab im eigenen Blog darlegt. Ein Kontextfenster von bis zu einer Million Tokens erlaubt lange Dokumente und Gespräche. Bilder verarbeitet das Modell in vierzig mal vierzig Pixel großen Patches, Audio über sogenannte dMel-Spektrogramme – beides ohne separate Vorverarbeitungsmodule, direkt im gleichen Netzwerk wie Text. Bei internen Benchmarks erreicht Inkling laut Unternehmensangaben 77,6 Prozent auf SWE-Bench Verified und 87,2 Prozent auf GPQA Diamond. Entwickler stellen zudem über einen sogenannten „Thinking Effort” zwischen 0,2 und 0,99 ein, wie viel Rechenleistung das Modell für eine Anfrage aufwenden soll – ein Kompromiss zwischen Antwortgeschwindigkeit und Qualität. Eine kleinere Variante namens Inkling-Small mit 276 Milliarden Parametern und 12 Milliarden aktiven Parametern befindet sich in der Vorschau. Für Textaufgaben ohne Werkzeugnutzung erreicht das Hauptmodell zudem 29,7 Prozent auf dem Wissenstest Humanity’s Last Exam und 97,1 Prozent bei der Mathematik-Olympiade AIME 2026.
Tinker-Plattform macht Feinabstimmung zum Geschäftsmodell
Die Erlöse erzielt Thinking Machines Lab nicht über den Modellzugang selbst, sondern über die hauseigene Plattform Tinker, auf der Unternehmen Inkling gezielt für einzelne Fachbereiche nachtrainieren können. Dieses Vorgehen widerspreche der Strategie großer Anbieter, die ein einziges Modell für möglichst viele Anwendungen zu optimieren versuchen, erklärt das Unternehmen. Gründerin Mira Murati bestätigte den Start auf der Plattform X: Das Modell sei von Grund auf trainiert, die Gewichte offen und ab sofort auf Tinker feinabstimmbar. Die vollständigen Gewichte stehen unter anderem über Hugging Face sowie die Anbieter TogetherAI, Fireworks, Modal, Databricks und Baseten bereit. Für begrenzte Zeit gilt auf der Tinker-Plattform ein Rabatt von 50 Prozent auf die Nutzung des Modells. Murati hatte OpenAI 2024 verlassen und Thinking Machines Lab gegründet; das Unternehmen zählt inzwischen rund 200 Mitarbeitende und brachte sein erstes Produkt nach rund neun Monaten Entwicklung auf den Markt, berichtet TechCrunch. Bislang finanzierte sich das Start-up vor allem über Tinker als reine Feinabstimmungs- und Hosting-Plattform für fremde offene Modelle; Inkling ist das erste selbst trainierte Modell im eigenen Angebot.
Start-up positioniert Inkling bewusst nicht als Bestleistung
Im eigenen Blogbeitrag räumt Thinking Machines Lab ein, Inkling sei „nicht das leistungsstärkste heute verfügbare Modell, weder offen noch geschlossen”. Diese Zurückhaltung falle auf, kommentiert Axios – viele Anbieter bewerben neue Modelle eher mit Bestwerten. Bei einem internen Sicherheitstest des Unternehmens Cognition habe Inkling zudem auffällig selten Anfragen verweigert, was Thinking Machines Lab als Beleg für geringere Zensuranfälligkeit im Vergleich zu manchen offenen Modellen aus China wertet – unabhängig nicht verifiziert. Für die frühe Nachschulungsphase habe man teilweise Daten aus anderen offenen Modellen bezogen, darunter Kimi K2.5 von Moonshot AI; künftige Versionen sollen vollständig eigenständig entstehen. Journalist Hayden Field wertete den zurückhaltenden Ton des Ankündigungstexts als bewussten Versuch, Erwartungen zu dämpfen, und sieht Inkling eher als Standortbestimmung für künftige Modelle des Start-ups denn als fertigen Angriff auf die Marktführer. Damit reiht sich Thinking Machines Lab in ein Feld ein, in dem zuletzt auch chinesische Anbieter wie Moonshot AI und DeepSeek offene Gewichte veröffentlicht haben, während US-Konzerne überwiegend geschlossene Modelle bevorzugen.
Entscheidend wird, ob Unternehmen die Feinabstimmung über Tinker tatsächlich einem fertigen Spezialmodell vorziehen oder ob der zusätzliche Aufwand die versprochene Kostenersparnis wieder auffrisst. Offen bleibt zudem, wie sich Inkling im direkten Vergleich mit den jüngsten offenen Modellen aus China behauptet, sobald unabhängige Labore die Benchmark-Werte des Unternehmens nachprüfen.
